Blast Radius
作者: MY Pitsane, Hope Mogale
分类: cs.AI
发布日期: 2026-08-07
💡 一句话要点
提出Blast Radius以解决代理编码中的代币消耗问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 代理编码 内存管理 上下文驱逐 代币消耗 自然语言处理 可逆性 AI可持续性
📋 核心要点
- 现有的代理编码方法面临代币消耗高和上下文管理不当的问题，导致资源浪费。
- Blast Radius通过预测性内存管理，结合上下文和代码通道，优化了输入提示的处理方式。
- 在七个OpenAI模型的实验中，Blast Radius成功减少了17-26%的代币消耗，并实现了最低的溢出率。
📝 摘要（中文）
代理编码面临着日益严重的可负担性和代币浪费问题。我们提出了Blast Radius，这是一种预测性内存管理层，通过耦合上下文和代码通道来估计输入提示的影响范围。NECROPHORESIS实现了可逆驱逐，通过逐字归档死去的上下文，而Recurring Dead Matter (RDM)则识别并埋葬重复出现的转录。我们在波兰上下文空间上制定了可逆上下文驱逐的公式，为保留、重复和驱逐提供了可测量的基础，同时将上下文熵与复活概率联系起来。在七个OpenAI模型中，Blast Radius减少了17-26%的代币消耗，测试政策中实现了最低的溢出率，并保持字节精确可逆。在450个埋葬的对象中，378个是重复死物，且没有被召回。Blast Radius在HCRC之下运行，决定哪些记录被埋葬以及输入提示可以深入代码库的程度。这项工作为Algosophy的更广泛目标做出了贡献：使大型语言模型和代理编码更加可重用和可持续。
🔬 方法详解
问题定义：论文要解决的具体问题是代理编码中的代币消耗和上下文管理效率低下，现有方法在处理重复上下文时存在资源浪费的痛点。
核心思路：论文提出的核心思路是通过Blast Radius引入预测性内存管理，利用NECROPHORESIS和Recurring Dead Matter (RDM)来优化上下文的存储和驱逐，从而提高代币的使用效率。
技术框架：整体架构包括输入提示的估计、上下文的归档与驱逐、以及与代码库的交互。主要模块包括NECROPHORESIS、RDM和HCRC，分别负责上下文的管理和驱逐决策。
关键创新：最重要的技术创新点在于可逆上下文驱逐的实现，通过将死去的上下文逐字归档，提供了对上下文的可控管理，与现有方法相比，显著提高了上下文的重用性和可持续性。
关键设计：关键设计包括对上下文熵的计算、复活概率的评估，以及对驱逐策略的优化，确保在减少代币消耗的同时，保持系统的可逆性和准确性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，Blast Radius在七个OpenAI模型中成功减少了17-26%的代币消耗，且在所有测试政策中实现了最低的溢出率。此外，450个埋葬的对象中，378个为重复死物，表明该方法在上下文管理方面的有效性。
🎯 应用场景
Blast Radius的研究成果在大型语言模型和代理编码的可重用性和可持续性方面具有重要的应用潜力。它可以被广泛应用于自然语言处理、智能助手和自动化编程等领域，帮助开发更高效的AI系统，降低资源消耗，提升用户体验。
📄 摘要（原文）
Agentic coding faces growing problems of affordability and wasted tokens. We introduce Blast Radius, a predictive memory management layer that estimates an incoming prompt's reach through coupled context and code channels. NECROPHORESIS enables reversible eviction by archiving dead context verbatim, while Recurring Dead Matter (RDM) identifies and buries repeatedly occurring transcripts. We formulate reversible context eviction over a Polish context space, providing a measurable foundation for retention, recurrence, and eviction while connecting context entropy to resurrection probability. Across seven OpenAI models, Blast Radius reduced token consumption by 17-26%, achieved the lowest overflow rate among tested policies, and remained byte exact reversible. Of 450 buried bodies, 378 were recurring dead matter and zero were recalled. Blast Radius operates beneath HCRC, determining which records to bury and how far an incoming prompt may reach into the codebase. This work contributes to the broader goal of Algosophy: making large language models and agentic coding more reusable and sustainable.